[發明專利]一種基于深度學習的端到端網口檢測方法

在審

• 申請號: 201811558348.7
• 申請日: 2018-12-19
• 公開（公告）號: CN109635875A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 彭林鵬;翁芳;趙永生;屈帥龍;張衛平
• 申請（專利權）人: 浙江大學濱海產業技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;H04L12/935;H04N5/232
• 代理公司: 天津濱?？凭曋R產權代理有限公司 12211
• 代理人: 楊慧玲

1.一種基于深度學習的端到端網口檢測方法，其特征在于，包括：

(1)獲取機房不同背景、不同機柜的交換機網口圖像；

(2)對交換機網口圖像進行分類；標注每個圖像，制作數據標簽；

(3)使用數據增強技術，制作交換機網口圖像數據集；

(4)訓練深度網絡YOLO v3模型，保存模型結果。

2.根據權利要求1所述的方法，其特征在于，步驟(1)中具體包括：通過調整智能室內巡檢機器人的云臺的高度，同時改變攝像頭的視野角度，獲取機房不同背景、不同機柜的交換機網口圖像。

3.根據權利要求1所述的方法，其特征在于，步驟(2)中所述分類依據網口有無網線、有無遮擋、網線顏色進行劃分，并使用矩形框標注網口。

4.根據權利要求1所述的方法，其特征在于，步驟(3)具體包括：

(3.1)在步驟(1)獲取的交換機網口圖像中選取不同條件下的圖像，組成數據集；

(3.2)使用數據增強技術，將數據集中的每幅圖像依次做水平翻轉、隨機裁剪、平移變換、仿射變換、顏色變換、光照變換、旋轉變換后得到的網口圖像分別存入數據集中；

(3.3)從數據集的所有圖像中隨機選取80％的圖像，組成訓練集，將剩余的20％圖像組成測試集。

5.根據權利要求1所述的方法，其特征在于，步驟(4)具體包括：

(4.1)定義算法目標，算法全部使用均方和誤差作為Loss函數，算法最終迭代Loss函數，使其收斂至最小，Loss函數由三部分組成：坐標誤差、IOU誤差和分類誤差；

(4.2)K-means計算初始化時錨盒anchor boxes尺寸；YOLO v3使用anchor boxes來預測bounding boxes的坐標；

(4.3)初始化訓練參數；設置初始學習率base_lr為0.001，學習率調整策略采用ReduceLROnPlateau，優化器采用隨機梯度下降SGD算法，設定迭代次數step；

(4.4)開始訓練模型；將訓練集圖像與對應標簽類別輸入到深度網絡YOLO v3模型，加載(4.3)中的配置訓練參數，下載ImageNet預訓練權重，在自主搭建的GPU服務器上進行模型訓練；

(4.5)可視化模型檢測結果；載入訓練好的深度網絡YOLO v3模型的訓練參數，將測試集圖像輸入到深度網絡中，通過可視化技術進行檢測；

(4.6)調整訓練網絡模型，如果模型輸出誤差和理想誤差超過允許范圍，則在(4.4)的基礎上繼續訓練，直至模型效果達到要求。

6.一種基于深度學習的端到端網口檢測系統，其特征在于，包括：

獲取模塊,用于獲取機房不同背景、不同機柜的交換機網口圖像；

分類標注模塊，對交換機網口圖像進行分類；標注每個圖像，制作數據標簽；

數據增強模塊，使用數據增強技術，制作交換機網口圖像數據集；

數據訓練模塊，訓練深度網絡YOLO v3模型，保存模型結果。

7.根據權利要求6所述的系統，其特征在于，獲取模塊包括調整單元，用于調整智能室內巡檢機器人的云臺的高度，同時改變攝像頭的視野角度，獲取機房不同背景、不同機柜的交換機網口圖像。

8.根據權利要求6所述的系統，其特征在于，分類標注模塊包括：

分類單元，用于依據網口有無網線、有無遮擋、網線顏色進行劃分；

標注單元，用于使用矩形框標注網口。

9.根據權利要求6所述的系統，其特征在于，數據增強模塊包括：

選取單元，用于在獲取模塊獲取的交換機網口圖像中選取2000張不同條件下的圖像，組成數據集；

增強單元，用于使用數據增強技術，將數據集中的每幅圖像依次做水平翻轉、隨機裁剪、平移變換、仿射變換、顏色變換、光照變換、旋轉變換后得到的網口圖像分別存入數據集中；

集合單元，用于從數據集的所有圖像中隨機選取80％的圖像，組成訓練集，將剩余的20％圖像組成測試集。

10.根據權利要求6所述的系統，其特征在于，數據訓練模塊包括：

算法目標單元，用于定義算法目標，算法全部使用均方和誤差作為Loss函數，算法最終迭代Loss函數，使其收斂至最小，Loss函數由三部分組成：坐標誤差、IOU誤差和分類誤差；

尺寸計算單元，用于K-means計算初始化時錨盒anchor boxes尺寸；YOLO v3使用anchor boxes來預測bounding boxes的坐標；

初始化單元，用于初始化訓練參數；設置初始學習率base_lr為0.001，學習率調整策略采用ReduceLROnPlateau，優化器采用隨機梯度下降，迭代次數step為2000；

訓練單元，用于開始訓練模型；將訓練集圖像與對應標簽類別輸入到深度網絡YOLO v3模型，加載初始化單元中的配置訓練參數，下載ImageNet預訓練權重，在自主搭建的GPU服務器上進行模型訓練；

檢測單元，用于可視化模型檢測結果；載入訓練好的深度網絡YOLO v3模型的訓練參數，將測試集圖像輸入到深度網絡中，通過可視化技術進行檢測；

調整單元，用于調整訓練網絡模型，如果模型輸出誤差和理想誤差超過允許范圍，則在訓練單元的基礎上繼續訓練，直至模型效果達到要求。